摘 要摘 要 本文首先对数字图像处理的常见技术和发展现状以及前景作出简单的阐述，然后从原理和应用效果上对经典的图像分割方法-基于测地距离的图像分割进行重点的阐述和分析，对其基本原理以及实验方法作出详细的讲解，基于测地距离的图像分割是首先对待处理图像做Gabor滤波，提取滤波后各个子带图像通道的窗口能量特征；然后，对目标和背景的标记像素点各通道特征单独建立高斯概率模型，计算得到测试样本在各个通道上分属于两个高斯的概率，并加权各通道得到各像素点属于前景和背景的权值概率矩阵；最后，把权值概率矩阵看作有向带权图，图像列化坐标值作为顶点值，权值概率矩阵中对应的权值作为边的权，将图像分割问题可以转化为所有像素点到目标和背景的标记像素点的最短路径问题，根据本章所提出的计算图像像素点到目标与背景像素点的最小测地距离方法来确定各个像素点的类别，完成图像分割任务。最后，在图像分割的实施过程中必须运用的MATLAB软件进行简单的理解，熟悉运用环境和使用方法。关键字：测地距离，图像分割，目标图像，背景图像27目 录ABSTRACTBased on digital image processing technology and development situation and Prospect of common makes a simple exposition, and then from the theory and the application effect to the classic image segmentation methods This article from the principle and the application effect to the classic image segmentation method based on geodesic distance image segmentation to carry on the elaboration and the analysis.Image segmentation based on geodesic distance is processed image Gabor filtering, extracting filter after each sub-band image channel window energy characteristics;Then, the target and background labeling pixels each channel features separate establishment of Gauss probability model, calculated the test samples in each channel belong to two Gauss probability, and weighted each channel of each pixel belongs to the background and foreground probability weights matrix;Finally, the probability weights matrix as a weighted directed graph, image column of coordinate value as a vertex value, weighted probability matrix of the corresponding weight as a side of the right, the image segmentation problem can be transformed into all the pixels into target and background marker pixel points of the shortest path problem, according to this chapter proposed calculation of image pixels to the target and background pixels minimal geodesic distance method to determine each pixel point category, to complete the task of image segmentation.Finally, in the image segmentation of the implementation process must be used MATLAB software to undertake simple understanding, familiar with the use of the environment and method of use.Key Words: geodesic distance, image segmentation ,target image , background image目 录目 录第1章 引言11.1 选题背景11.2图像分割简介21.3图像分割的发展和现状21.4研究背景与意义4第2章 基于测地距离的图像分割62.1 测地距离62.1.1 测地距离的概念62.1.2 测地距离的性质72.2算法思想及步骤92.3纹理特征提取92.3.1 Gabor滤波器102.3.2 Gabor滤波器结果112.3.3纹理特征量的计算132.4高斯概率密度函数142.5测地距离的计算15第3章 实验结果及分析17第4章 MATLAB简介214.1 MATLAB简介214.2 MATLAB的主要应用214.3 MATLAB的优点21第5章 结 论235.1 结论235.2展望24参考文献26致 谢27第1章 引 言第1章 引言1.1 选题背景数字图像处理技术是一个跨学科的领域。随着计算机科学技术的不断发展，图像处理和分析逐渐形成了自己的科学体系，新的处理方法层出不穷，尽管其发展历史不长，但却引起各方面人士的广泛关注。首先，视觉是人类最重要的感知手段，图像又是视觉的基础，因此，数字图像成为心理学、生理学、计算机科学等诸多领域内的学者们研究视觉感知的有效工具。其次，图像处理在军事、遥感、气象等大型应用中有不断增长的需求。在图像分析中，通常需要将所关心的目标从图像中提取出来，着中从图像中将某个特定区域与其他部分进行分离并提取出来的处理就是图像分割。因为图像分割处理实际上就是区分图像中的“前景目标”和“背景”，所以通常又称之为图像的二值化处理。图像分割在图像分析、图像识别、图像检测等方面占有非常重要的低位。基于测地距离的图像分割技术是近年来国际上图像分割领域的一个新的研究热点。基于训练样本的分割方法一般都是在训练过程中，从样本集合中选取部分样本进行训练，在测试过程中，根据某种距离度量准则来衡量测试样本与各类别训练样本的相似性，并得出测试样本的所属概率。在衡量样本间相似性的各种方法中，距离函数是最重要的方法。恰当的距离函数能够提高分割的正确率。然而，没有任何一种距离函数能够对所有样本数据集较其它距离函数均能更好地反映样本的真实分布情况；也没有任何一种距离函数在所有数据集上的性能都是最优的。距离函数要根据样本分布、学习算法及模型要求来确定。特别是当数据集样本分布在高维空间时，欧氏距离不能反映样本间的真实距离。此时，应该将样本分布的形状信息考虑在内来衡量样本间的相似性。但由于其涉及的理论知识较多，应用也还处在初级阶段。因此国内这方面的研究报道并不多见，本文将对测地距离方法用于图像分割的基本理论进行简要介绍，并对当前测地距离方法用于图像分割的最新研究进展进行综述，并着重介绍基于测地距离的图像分割的方法。1.2图像分割简介图像分割是一种重要的图像技术，在理论研究和实际应用中都得到了人们的广泛重视。图像分割的方法和种类有很多，有些分割运算可直接应用于任何图像，而另一些只能适用于特殊类别的图像。同时它是把是把图像分成若干个特定的、具有独特性质的区域并提出感兴趣目标的技术和过程。它是由图像处理到图像分析的关键步骤。现有的图像分割方法主要分以下几类：基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法等。近年来，研究人员不断改进原有的图像分割方法并把其它学科的一些新理论和新方法用于图像分割，提出了不少新的分割方法。而基于测地距离的图像分割是首先，对待处理图像做Gabor滤波，提取滤波后各个子带图像通道的窗口能量特征；然后，对目标和背景的标记像素点各通道特征单独建立高斯概率模型，计算得到测试样本在各个通道上分属于两个高斯的概率，并加权各通道得到各像素点属于前景和背景的权值概率矩阵；最后，把权值概率矩阵看作有向带权图，图像列化坐标值作为顶点值，权值概率矩阵中对应的权值作为边的权，将图像分割问题可以转化为所有像素点到目标和背景的标记像素点的最短路径问题，根据本章所提出的计算图像像素点到目标与背景像素点的最小测地距离方法来确定各个像素点的类别，完成图像分割任务。许多不同种类的图像或景物都可作为待分割的图像数据，不同类型的图像，已经有相对应的分割方法对其分割，同时，某些分割方法也只是适合于某些特殊类型的图像分割。分割结果的好坏需要根据具体的场合及要求衡量。图像分割是从图像处理到图像分析的关键步骤，可以说，图像分割结果的好坏直接影响对图像的理解。此外，图像分割的方法依照分割时所依据的图像特征不同，大致可以分为三大类。第一大类是阈值方法，这种方法是根据图像的灰度值分布特性来确定某个阈值来进行图像分割；第二类为边界分割法，这种方法是通过检测出封闭某个区域的边界来进行图像分割的。通俗的讲，这类方法实际上就是沿着闭合的边缘线将其包围的区域剪切出来；第三类方法是区域提取方法，这类方法的特点是根据特定区域与其他背景区域特性上的不同来进行图像分割。1.3图像分割的发展和现状图像分割是图像处理中的一项关键技术，自2 0世纪70年代起一直受到人们的高度重视 ,至今已提出上千种分割算法。然而，由于尚无通用的分割理论，现提出的分割算法大都是针对具体问题的 ,并没有一种适合所有图像的通用分割算法。另外 ,还没有制定出选择合用分割算法的标准，图像分割技术的发展与许多其他学科和领域如数学、物理学、生理学、电子学、计算机科学等密切相关。近年来, 随着各学科新理论和方法的产生, 人们也提出了许多结合特定理论工具的分割方法, 例如基于数学形态学的分割方法, 基于统计模式识别的分割方法, 基于神经网络的分割方法, 基于信息论的分割方法, 基于模糊集合和逻辑的分割方法, 基于小波分析和变换的分割方法, 基于遗传算法的分割方法等。 基于数学形态学分割方法的基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状以达到对图像分析和识别的目的。基于统计模式识别的分割方法的基本思想是将图像中的象素根据测量结构分为不同的类, 每个类都有相似或相近的特征, 然后通过学习或训练, 将图像分为不同的目标。基于神经网络的分割方法的基本思想是通过训练多层感知机来得到线性决策函数, 然后用决策函数对象素进行分类来达到分割的目的。基于信息论的分割方法引入了熵的概念, 大部分算法借助了求熵极值的方法来达到分割的目的。基于模糊集合和逻辑的分割方法是以模糊数学为基础, 利用隶属度来解决图像中由于信息不全面、不准确、含糊、矛盾等造成的不确定性问题, 该方法在医学图像分析中有广泛的应用。基于小波分析和变换的分割方法是借助新出现的数学工具小